東北地理所在中國濕地植被葉面積指數遙感反演方法研究領域取得重要進展
葉面積指數（Leaf Area Index，LAI）作為表征植被冠層結構與生態功能的重要參數，可直接反映濕地植被的生長狀態、物質能量交換能力及生態系統初級生產力，是濕地退化評估、修復成效監測和氣候變化響應研究的核心指標。由于濕地生態系統具有景觀破碎復雜、植被類型多樣、土壤-水體背景異質顯著、季節性和潮汐性周期淹水等特征，傳統遙感LAI反演在濕地場景中常受到水體信息干擾、混合像元效應和模型泛化能力不足的多重限制，未能實現大尺度、長時序濕地LAI的精準反演。開展大尺度濕地植被LAI的精確反演，對于評估濕地生態系統健康和理解濕地碳循環過程及其對氣候變化的響應機制具有重要的科學意義，極具科學意義和應用迫切性。
為解決上述科學問題，中國科學院東北地理所濕地遙感研究團隊基于多年野外原位數據積累與多源遙感數據，率先構建了一套面向全國尺度的濕地LAI混合反演與制圖方法框架，實現了我國國家尺度濕地植被生態參數、10 m空間分辨率的突破。該研究整合了2013–2023年期間我國不同濕地植被類型的865組野外實測LAI數據，通過遙感云計算平臺融合多源衛星影像（Sentinel-2與Landsat-8），創新性地提出一種“物理模型+主動學習+機器學習回歸”的混合建模策略。通過經典輻射傳輸模型（PROSAIL-5B）增強模型可解釋性，采用主動學習技術優化訓練樣本分布，緩解病態反演和樣本冗余問題，提高復雜濕地生物群系下的模型泛化能力，結合隨機森林機器學習算法建立高效穩健的LAI反演模型。
圖1 基于PROSAIL?5B模擬數據集、高斯過程回歸（GPR）和五種主動學習（AL）方法的模型評估
研究結果表明，相較于傳統物理或經驗回歸方法，該混合模型顯示出顯著優勢，R2提升 0.15–0.40，RMSE降低0.02–0.27，RRMSE下降3.37%–12.78%。該研究自主研發了適應濕地高水分背景與復雜下墊面的新型植被指數TBVI5、TBVI3和TBVI1，進一步提升了濕地植被LAI反演的穩健性和有效性。濕地LAI制圖結果在精度、一致性等方面明顯優于已有LAI產品，可為濕地的保護與修復評估其對氣候變化的響應研究提供有力支撐。
該成果近期在線發表于遙感領域國際重要期刊ISPRS Journal of Photogrammetry and Remote Sensing（東北地理所C刊，IF=12.2），由東北地理所甄佳寧助理研究員（第一作者）、毛德華研究員（通訊作者）、王宗明研究員等，聯合美國羅德島大學Yeqiao Wang（王野喬）教授和深圳大學王俊杰副教授等共同完成，得到國家重點研發計劃項目（2023YFF0807204）、國家自然科學基金（42301429,42330109,and 42171372）、吉林省自然科學基金（YDZJ202401491ZYTS）、自然資源部大灣區地理環境監測重點實驗室開放基金（GEMLAB-2023013）的共同資助。
論文信息：Jianing Zhen,Dehua Mao*,Yeqiao Wang,Junjie Wang,Chenwei Nie,Shiqi Huo,Hengxing Xiang,Yongxing Ren,Ling Luo,Zongming Wang,2026. National mapping of wetland vegetation leaf area index in China using hybrid model with Sentinel-2 and Landsat-8 data. ISPRS Journal of Photogrammetry and Remote Sensing,232: 18-33.
論文鏈接：https://doi.org/10.1016/j.isprsjprs.2025.11.031
附件下載：
吉公網安備22017302000214號
